Don't Drop the Singletons: Efficient Inference for Pairwise Experiments with Independent Attrition¶

作者: Simon Heß, Patrick W. Schmidt
主题: 因果推断
相关性: 6/10
链接: https://arxiv.org/abs/2608.18973

一、领域脉络与小综述¶

这个方向是什么¶

这个子方向研究的是配对随机化实验（pairwise randomized experiments）中，当存在独立损耗（independent attrition）时，如何对平均处理效应（ATE）进行有效推断。配对随机化是一种精细分层设计，将样本两两配对后，在每对内随机分配处理。它能显著提升估计精度，尤其在小样本下。然而，当实验中出现损耗（attrition，即部分单元的结果缺失）时，传统分析方法（如配对固定效应回归）会丢弃不完整配对（即“孤儿单例”），加剧信息损失。本文的核心问题是：在损耗独立于处理分配的条件下，能否设计一种推断方法，既保留配对设计的效率优势，又充分利用所有观测单元（包括完整配对和单例），从而在任意损耗水平下都优于现有标准方法。

发展脉络（history）¶

奠基工作：配对随机化的效率优势与早期分析框架
- Imai, King, and Nall (2009)：在整群随机实验中证明了配对可以大幅提升统计功效，并提出了一个改进的估计量。他们的结论是“从偏差、效率、功效、稳健性或研究成本的角度，只要可行，就应该在整群随机实验中使用配对”。这奠定了配对设计的理论基础。
- Bruhn and McKenzie (2009)：通过模拟证据支持了配对随机化在实现潜在结果平衡方面的优势，特别是当存在对结果有良好预测能力的协变量时。这为配对设计的实践应用提供了支撑。
- Glennerster and Takavarasha (2013)：这本实践指南却警告研究者，在预期有损耗时，应使用至少包含四个单元的层，而不是配对。这代表了实践界对配对设计在损耗下表现不佳的普遍担忧，是本文要直接回应的核心论点。
主要进展：配对设计的精确推断与最优性
- Bai, Romano, and Shaikh (2022)：系统研究了无损耗时配对实验的推断。他们证明了两样本t检验和配对t检验都是渐近保守的，并提出了一个校正方差估计量来恢复渐近精确性。他们还证明了在sharp null下，配对内置换检验是有限样本有效的。这是本文最直接的技术基础。
- Bai (2022)：建立了配对设计的最优性，证明在将处理概率固定为1/2的所有分层随机化方案中，某种配对设计能最大化估计ATE的统计精度。这为配对设计的效率优势提供了形式化证明。
- Bai, Shaikh, and Tabord-Meehan (2024, forthcoming)：提供了一个关于随机实验分析最新进展的综述，其中详细讨论了分层、回归调整和整群随机化，并覆盖了关于损耗的争论。
当前Frontier：损耗下的配对实验推断
- Fukumoto (2022)：研究了在非可忽略损耗（outcome-correlated attrition）下，两种常见处理方法（丢弃单例 vs. 保留单例）的含义。他证明了配对删除估计量（PDE，即丢弃单例）可能有偏但更有效，并推荐使用PDE。本文的设定不同，假设损耗是独立的。
- Bai et al. (2024)：研究了存在内生损耗（attrition可能与处理或结果相关）时配对实验的识别问题。他们发现，当丢弃单例时，均值差估计量通常识别的是条件处理效应的加权平均，而非ATE。他们的重点是识别，而本文在假设独立损耗的前提下，优化推断程序。
- Amro and Pauly (2017)：在生物统计学的“不完整配对数据”文献中，构建了一个结合完整配对和单例统计量的置换检验。本文在四个方面超越了它：① 允许最优组合（通过逆方差加权）；② 直接组合估计量而非预标准化的检验统计量；③ 精确性来自RCT的分配机制，无需分布假设；④ 推导了闭式功效和优势结果。

子线索聚类¶

配对设计的效率与最优性：以Imai, King, and Nall (2009), Bruhn and McKenzie (2009), Bai (2022) 为代表。这一簇的核心是证明配对设计在无损耗或理想条件下，相比完全随机化或更粗的分层，能带来显著的效率增益。
配对设计的推断方法：以Bai, Romano, and Shaikh (2022), Bai et al. (2024), Bugni, Canay, and Shaikh (2018) 为代表。这一簇关注如何构造有效的检验和置信区间，包括方差估计、置换检验、以及处理异质性处理效应下的弱零假设问题。
损耗下的配对实验分析：以Fukumoto (2022), Bai et al. (2024), 以及本文为代表。这一簇专门研究损耗对配对实验的影响，包括识别问题（损耗非随机时）和效率问题（损耗随机时如何优化推断）。

这个方向在追问的核心问题¶

如何设计最优的推断程序？ 在给定损耗率和匹配质量下，如何组合完整配对和单例的信息，使得检验功效最大化？
配对设计 vs. 更大分层设计？ 当存在损耗时，是应该坚持使用配对设计并优化其分析方法，还是应该退回到使用更大规模的分层（如四单元层）？这个权衡取决于匹配质量、损耗率和样本量。
如何应对非随机损耗？ 当损耗与处理或结果相关时，ATE的识别本身就有问题。如何在这种情况下进行有效的推断（如边界分析、敏感性分析）？
如何实现弱零假设下的有效推断？ 当处理效应存在异质性时，置换检验可能失效。如何通过学生化（studentization）或其他方法，在弱零假设下仍能控制第一类错误？

⚠️ 作者的 framing（必须明确标注成“这是作者的说法”）¶

作者将缺口 frame 成：“配对设计在损耗下的劣势，并非设计本身的缺陷，而是源于使用了次优的推断方法（即丢弃单例的配对t检验或忽略配对结构的两样本t检验）。” 他们声称，只要采用他们提出的最优加权置换检验，就能在独立损耗下“支配”（dominate）这两种标准方法，从而“挽救”配对设计。他们淡化了非随机损耗这一更棘手的问题，将其归为“一个不同的问题”（a different problem），并引用Bai et al. (2024) 的工作作为处理该问题的参考。他们回避了与更大分层设计的直接比较，仅在模拟中做了一个初步探索，并承认“这个比较的结果并不明显”（the result of these comparisons is not obvious），将其留作未来工作。

什么明显该被引 / 该存在、却没出现在 intro 里？ 作者没有引用关于统计-计算权衡或低度多项式障碍的文献。这很合理，因为本文是一个纯统计推断问题，不涉及计算复杂度的下界。作者也没有引用关于高阶影响函数（HOIF） 或半参数效率理论的文献，尽管他们的最优加权估计量本质上是一个半参数效率问题。这可能是因为他们的设定（独立同分布配对、常数处理效应）足够简单，可以直接通过逆方差加权得到闭式解，无需更复杂的半参数工具。

张力¶

未见明显对立引用。所有被引工作基本都认可配对设计的效率优势，分歧在于损耗下如何应对。Fukumoto (2022) 和 Bai et al. (2024) 关注非随机损耗下的识别，而本文关注随机损耗下的效率，它们处理的是不同的问题，并不矛盾。

二、最核心、最简单的例子 / 数学问题¶

第一步：把符号、模型、可观测数据交代清楚¶

符号：
- \(n\): 配对的数量。
- \(p = 1, \dots, n\): 配对索引。
- \(g \in \{1, 2\}\): 配对内的单元索引。
- \(Y_{p,g}(0)\): 单元 \((p,g)\) 的未处理潜在结果（control potential outcome）。
- \(Y_{p,g}(1)\): 单元 \((p,g)\) 的处理潜在结果（treated potential outcome）。
- \(\tau\): 平均处理效应（ATE），即 \(E[Y_{p,g}(1) - Y_{p,g}(0)]\)。在常数处理效应假设下，\(\tau\) 是一个常数。
- \(D_{p,g} \in \{0, 1\}\): 处理分配指示变量。在每对内随机分配，一个单元为1（处理组），另一个为0（对照组）。
- \(Y_{p,g}\): 可观测结果。\(Y_{p,g} = D_{p,g} Y_{p,g}(1) + (1-D_{p,g}) Y_{p,g}(0)\)。
- \(A_{p,g} \in \{0, 1\}\): 损耗指示变量。\(A_{p,g}=1\) 表示单元 \((p,g)\) 的结果缺失（attrited），\(A_{p,g}=0\) 表示可观测。
- \(q\): 损耗率。在本文的简化设定中，恰好有比例为 \(q\) 的单元发生损耗。
- \(m = n(1-q)^2\): 完整配对的数量（两个单元都可观测的配对）。
- \(k_1 = k_0 = nq(1-q)\): 处理组单例和对照组单例的数量（只有一个单元可观测的配对中，被分配到处理/对照的单元）。
- \(\sigma^2_{Y_0} = \text{Var}(Y_{p,g}(0))\): 未处理潜在结果的边际方差。
- \(r = \text{Corr}(Y_{p,1}(0), Y_{p,2}(0))\): 配对内相关系数，衡量匹配质量。\(r\) 越大，匹配越好。
- \(\hat{\tau}_{\text{pair}}\): 基于完整配对的估计量，即配对内差异的均值。
- \(\hat{\tau}_{\text{single}}\): 基于单例的估计量，即处理组单例均值减去对照组单例均值。
- \(w^*\): 最优权重，用于组合 \(\hat{\tau}_{\text{pair}}\) 和 \(\hat{\tau}_{\text{single}}\) 以最小化方差。
- \(\hat{\tau}_{\text{oracle}}\): 最优加权估计量（oracle版本，使用真实参数 \(w^*\)）。
- \(\hat{\tau}_{\text{feasible}}\): 可行最优加权估计量（使用估计的 \(\hat{w}^*\)）。
模型：
- 数据生成机制：\(n\) 个配对是来自一个二元分布 \(F\) 的独立同分布样本。\(F\) 的边际分布是 \(Y_{p,g}(0)\) 的分布，其方差为 \(\sigma^2_{Y_0}\)，配对内的相关系数为 \(r\)。\(F\) 是交换的（exchangeable），即交换配对内两个单元的标签不影响分布。
- 处理效应：首先假设常数处理效应，即 \(Y_{p,g}(1) = Y_{p,g}(0) + \tau\)。这简化了分析，使得配对内差异的方差只取决于 \(Y_{p,g}(0)\) 的配对内差异。
- 处理分配：在每个配对 \(p\) 内，通过一次独立的公平抛硬币决定哪个单元接受处理（\(D_{p,g}=1\)），哪个接受对照（\(D_{p,g}=0\)）。
- 损耗机制：损耗是独立于处理分配的，即 \(A_{p,g} \perp D_{p,g} \mid \mathbf{Y}_p\)，其中 \(\mathbf{Y}_p\) 是配对 \(p\) 的完整潜在结果向量。这意味着损耗概率不依赖于单元实际被分配到的处理组。在本文的简化设定中，损耗是确定性的：恰好有比例为 \(q\) 的单元被移除，且处理组和对照组的损耗率相同。
可观测数据：
- 研究者能观测到的是：对于每个未损耗的单元（\(A_{p,g}=0\)），其处理分配 \(D_{p,g}\) 和结果 \(Y_{p,g}\)。
- 研究者无法观测到的是：损耗单元的结果（\(Y_{p,g}\) for \(A_{p,g}=1\)），以及任何单元的反事实结果（例如，处理组单元在对照状态下的结果 \(Y_{p,g}(0)\)）。
- 关键在于，研究者知道配对结构（哪些单元属于同一个配对），但不知道损耗单元的反事实结果。因此，完整配对提供了配对内差异的信息，而单例只能提供跨配对比较的信息。

第二步：讲最小内核¶

本文的最小内核是：在配对随机化实验中，当存在独立损耗时，如何最优地组合来自“完整配对”和“单例”这两个独立数据分块的信息，以构造一个比任何单一标准方法（如配对t检验或两样本t检验）都更有效的检验。

最简特例：假设只有 \(n=2\) 个配对，每个配对有2个单元。损耗率 \(q=0.5\)，即恰好有2个单元发生损耗。假设损耗是独立的，且恰好使得一个配对变成完整配对（\(m=1\)），另一个配对变成两个单例（一个处理组单例 \(k_1=1\)，一个对照组单例 \(k_0=1\)）。假设常数处理效应 \(\tau\)，且 \(\sigma^2_{Y_0}=1\)，配对内相关系数 \(r=0.5\)。

可观测数据：
- 完整配对 \(p=1\)：观测到 \(Y_{1,T}\) 和 \(Y_{1,C}\)，其差异 \(\Delta_1 = Y_{1,T} - Y_{1,C}\)。
- 单例配对 \(p=2\)：观测到处理组单例 \(Y_{2,T}\) 和对照组单例 \(Y_{2,C}\)。
标准方法的问题：
- 配对t检验：只使用完整配对，即只使用 \(\Delta_1\) 来估计 \(\tau\)。这丢弃了 \(Y_{2,T}\) 和 \(Y_{2,C}\) 的信息。
- 两样本t检验：使用所有观测单元，即计算 \(\hat{\tau} = (Y_{1,T} + Y_{2,T})/2 - (Y_{1,C} + Y_{2,C})/2\)。但它忽略了配对结构，将 \(Y_{1,T}\) 和 \(Y_{2,T}\) 视为来自同一总体的独立样本，而实际上 \(Y_{1,T}\) 和 \(Y_{1,C}\) 是配对的。
本文的核心思路：
1. 分解：将ATE的估计问题分解为两个独立的部分：
  - 完整配对部分：\(\hat{\tau}_{\text{pair}} = \Delta_1\)。其方差 \(V_{\text{pair}} = \text{Var}(\Delta_1) = 2\sigma^2_{Y_0}(1-r) = 2 \times 1 \times (1-0.5) = 1\)。
  - 单例部分：\(\hat{\tau}_{\text{single}} = Y_{2,T} - Y_{2,C}\)。其方差 \(V_{\text{single}} = 2\sigma^2_{Y_0} = 2\)。
2. 最优组合：这两个估计量都是无偏的，且由于来自不同的配对，它们是独立的。因此，最优的线性组合（最小化方差）就是逆方差加权：
  - 最优权重 \(w^* = \frac{1/V_{\text{pair}}}{1/V_{\text{pair}} + 1/V_{\text{single}}} = \frac{1/1}{1/1 + 1/2} = \frac{2}{3}\)。
  - 最优加权估计量 \(\hat{\tau}_{\text{oracle}} = w^* \hat{\tau}_{\text{pair}} + (1-w^*) \hat{\tau}_{\text{single}} = \frac{2}{3} \Delta_1 + \frac{1}{3} (Y_{2,T} - Y_{2,C})\)。
  - 其方差 \(V_{\text{oracle}} = \frac{1}{1/V_{\text{pair}} + 1/V_{\text{single}}} = \frac{1}{1 + 0.5} = \frac{2}{3}\)。
3. 优势：
  - 相比配对t检验（方差为1），最优加权估计量的方差更小（2/3 < 1），因为它利用了单例的信息。
  - 相比两样本t检验（其方差为 \(V_{\tau} = 2\sigma^2_{Y_0}[1-r+qr]/[n(1-q)]\)，代入本例得 \(2 \times 1 \times [1-0.5+0.5\times0.5] / [2 \times 0.5] = 2 \times 0.75 / 1 = 1.5\)），最优加权估计量的方差也更小（2/3 < 1.5），因为它通过加权更有效地利用了信息。
4. 置换检验：为了在sharp null下获得精确的size控制，作者使用置换检验。对于完整配对，在每对内交换处理标签；对于单例，在它们之间随机重新分配处理标签。这个置换方案尊重了原始的设计结构，同时利用了所有数据。检验统计量就是 \(\hat{\tau}_{\text{oracle}}\)（或其可行版本）。

这个最小例子清晰地展示了本文的核心贡献：通过将数据分解为两个独立的信息源，并利用逆方差加权进行最优组合，可以构造出一个在效率上支配传统方法的估计量和检验。

三、这篇论文做了什么¶

三句话¶

研究了什么问题：在配对随机化实验中，当存在独立于处理分配的损耗时，如何设计一个既能利用所有观测数据（包括完整配对和单例），又能保留配对设计效率优势的推断方法。
核心工具/方法：提出了一个最优加权估计量（通过逆方差加权组合完整配对和单例的估计量），并将其作为检验统计量，结合一个设计感知的置换检验（在完整配对内交换标签，在单例间随机分配标签）进行推断。
主要结论：在独立损耗和常数处理效应假设下，该最优加权置换检验程序在任意损耗水平下，其检验功效都支配（严格优于）常用的配对t检验和两样本t检验。该程序可以通过一个简单的加权固定效应回归实现，便于应用。

关键设定与假设¶

配对作为原始抽样单位：\(n\) 个配对是来自一个二元分布 \(F\) 的独立同分布样本。这与Bai, Romano, and Shaikh (2022) 的设定不同，后者假设单元是独立同分布样本，然后根据协变量进行配对。本文的设定使得匹配质量可以用一个单一的参数 \(r\) 来刻画，从而得到闭式解。
常数处理效应：\(Y_{p,g}(1) = Y_{p,g}(0) + \tau\)。这是推导闭式功效公式和最优权重的关键。作者在3.3节讨论了向异质性处理效应的扩展。
独立损耗：\(A_{p,g} \perp D_{p,g} \mid \mathbf{Y}_p\)。这是核心假设，它保证了损耗不依赖于实际分配的处理，从而使得基于观测数据的估计量仍然是无偏的。作者指出，这比完全随机损耗更弱，因为它允许损耗依赖于潜在结果，但不依赖于处理分配。
确定性的损耗率：在理论分析中，作者假设恰好有比例为 \(q\) 的单元发生损耗，且处理组和对照组的损耗率相等。这简化了分析，但作者指出在随机损耗下，大样本结果不变。
同方差性：所有配对共享相同的 \(r\) 和 \(\sigma^2_{Y_0}\)。作者在结论中承认这是一个限制，并推测结果可以推广到异质性情况。

相比已有文献： * 放宽了Bai, Romano, and Shaikh (2022) 中关于无损耗的假设。 * 强化了Bai et al. (2024) 的假设，后者允许内生损耗，而本文假设独立损耗。这使得本文可以专注于效率优化，而非识别问题。 * 简化了Amro and Pauly (2017) 的设定，通过假设独立同分布配对和常数效应，得到了更清晰的闭式解和优势结果。

主要结果¶

Proposition 1-5 (渐近功效)：推导了四种方法（配对t检验、两样本t检验、基于均值差的RI、基于最优加权估计量的RI）在局部备择假设下的渐近功效闭式表达式。这些公式清晰地展示了功效如何依赖于样本量 \(n\)、损耗率 \(q\)、匹配质量 \(r\) 和效应大小 \(\tau\)。
Proposition 6 (精确size控制)：证明了在sharp null下，所提出的两种RI程序（基于均值差和基于最优加权估计量）都能在有限样本下精确控制第一类错误，无论损耗率 \(q\) 是多少。这是置换检验的核心优势。
Proposition 7 (优势结果)：证明了oracle最优加权RI程序在功效上严格优于配对t检验（当 \(q>0\) 时）和两样本t检验（当 \(r>0\) 时）。这是本文最核心的理论贡献，它表明在独立损耗下，使用最优加权方法可以“免费”获得效率增益。
Lemma (加权回归实现)：证明了oracle最优加权估计量可以通过一个特定的加权固定效应回归得到。这为应用研究者提供了极大的便利。
模拟结果 (Table 1)：通过模拟比较了配对设计（使用配对FE、最优加权RI）和四单元分层设计（使用分层FE）在不同损耗率下的功效。结果表明，即使面对高达40%的损耗率，配对设计配合最优加权RI也能达到或超过四单元分层设计的功效。这直接回应了实践指南中“使用更大分层”的建议。

证明路线与技术技巧¶

整体路线：
1. 分解：将ATE的估计问题分解为两个独立的部分：完整配对部分（\(\hat{\tau}_{\text{pair}}\)）和单例部分（\(\hat{\tau}_{\text{single}}\)）。证明这两个估计量是无偏的，并推导它们的方差。
2. 最优组合：利用逆方差加权（inverse-variance weighting）原理，找到最小化组合估计量方差的最优权重 \(w^*\)。这等价于求解一个简单的优化问题。
3. 方差比较：将最优加权估计量的方差 \(V_{\text{oracle}}\) 与配对t检验的方差 \(V_{\text{pair}}\) 和两样本t检验的方差 \(V_{\tau}\) 进行比较。通过代数运算证明 \(V_{\text{oracle}} \le V_{\text{pair}}\) 和 \(V_{\text{oracle}} \le V_{\tau}\)，且不等式在非退化条件下严格成立。
4. 功效比较：基于局部备择假设下的渐近正态性，证明更小的方差直接转化为更大的非中心参数，从而转化为更高的检验功效。这完成了优势结果的证明。
5. 置换检验的精确性：证明在sharp null下，由于损耗独立于处理分配，观测到的结果集在处理标签的置换下是固定的。因此，置换分布等于随机化分布，保证了精确的size控制。
关键跳跃点：
- 从“丢弃单例”到“保留并加权”：这是概念上的关键跳跃。作者意识到，在独立损耗下，单例并非无用，它们提供了关于ATE的独立无偏信息，只是精度较低。通过逆方差加权，可以以最优方式利用这些信息。
- 从“固定权重”到“最优权重”：两样本t检验隐含地使用了固定权重 \((1-q, q)\) 来组合完整配对和单例的均值差。作者发现这个权重不是最优的，并推导了能最小化方差的最优权重 \(w^*\)。这个权重依赖于匹配质量 \(r\)。
- 证明优势结果：证明 \(V_{\text{oracle}} \le V_{\tau}\) 需要一些代数技巧。关键在于将两样本t检验的方差 \(V_{\tau}\) 视为一个特殊的加权组合（权重为 \((1-q, q)\)），而 \(V_{\text{oracle}}\) 是使用最优权重得到的，因此必然更小。
技术技巧点名：
- 逆方差加权（Inverse-variance weighting）：用于组合两个独立无偏估计量，以获得最小方差线性无偏估计（BLUE）。这是整个最优加权估计量的核心。
- 置换检验（Permutation test）：用于在sharp null下获得精确的有限样本size控制。作者设计了一个“设计感知”的置换方案，分别处理完整配对和单例。
- Lindeberg-Feller中心极限定理：用于推导局部备择假设下检验统计量的渐近分布，从而得到闭式功效公式。
- Delta方法：用于证明可行最优加权估计量的方差与oracle版本相差 \(O(n^{-3/2})\)，从而证明其渐近等价性。

真实例子与应用¶

本文为纯理论论文，没有使用真实数据例子。其模拟实验（Section 4）是基于一个生成模型，旨在比较不同设计和方法在受控条件下的表现。这个模拟的目的是验证理论结果，并展示在特定参数配置下，配对设计配合最优加权RI可以优于更大分层设计。

🔎 结论是否比证明窄¶

结论声称“支配”：Proposition 7 声称oracle最优加权RI在功效上支配配对t检验和两样本t检验。这个结论是在常数处理效应和独立损耗的假设下严格证明的。作者在3.3节讨论了向弱零假设和异质性处理效应的扩展，但并未给出与Proposition 7同等强度的优势证明。他们只是论证了在特定条件下（如平衡的组大小），无需学生化也能控制size。
结论声称“易于实现”：Lemma证明了oracle最优加权估计量可以通过加权回归实现。但可行版本需要估计 \(r\)，而 \(r\) 的估计（尤其是从后处理数据中估计）可能引入额外的噪声和复杂性。作者讨论了两种估计方法（基于基线数据或后处理数据），但并未严格证明可行估计量的有限样本性质，只给出了渐近等价性（Proposition 5）。
模拟结论：模拟（Table 1）表明配对设计+最优加权RI可以优于四单元分层设计。但作者明确承认这个比较是“情境特定的”（context-specific），并且“这个比较的结果并不明显”（the result of these comparisons is not obvious）。因此，不能将模拟结论泛化为“配对设计总是优于更大分层设计”。

四、开放问题¶

异质性匹配质量下的最优性：本文假设所有配对共享相同的相关系数 \(r\)。当匹配质量在配对间变化时（即 \(r_p\) 不同），最优权重将是配对特定的。能否将本文的逆方差加权框架推广到这种情况？能否证明一个类似的优势结果？扎根点：论文结论部分提到“Relaxing exchangeability... would make the optimal weight pair-specific. We conjecture that a generalization of the dominance result (Proposition 7) holds under such heterogeneity, but leave this extension to future work.”
配对设计 vs. 更大分层设计的正式比较：本文的模拟初步探索了这个问题，但缺乏一个通用的理论框架来刻画这个权衡。能否推导出一个闭式条件，在给定匹配质量、损耗率和样本量下，决定是使用配对设计+最优加权RI更好，还是使用更大分层设计（如四单元层）更好？扎根点：论文结论部分提到“A fruitful extension could be to generalize our approach to more experimental designs, such as stratified randomization with larger strata... Formalizing this trade-off into generalizable rules could be valuable at the design stage of an RCT, but we leave it for future research.”
非随机损耗下的最优推断：本文假设损耗是独立的。当损耗与处理或结果相关时，ATE的识别本身就有问题。能否将本文的最优加权思想与Bai et al. (2024) 的识别结果或边界分析方法结合起来，在非随机损耗下构造一个既稳健又相对高效的推断程序？扎根点：论文引言部分提到“Relatedly, Fukumoto (2022) investigates implications of the two common ways of dealing with outcome-correlated attrition...”，并将自己的方法定位为在最强假设（独立损耗）下的最优解，建议与更保守的方法并列呈现。
与高阶U统计量的潜在联系：本文的最优加权估计量本质上是两个独立U统计量的线性组合。当处理效应存在异质性时，更复杂的估计量（如涉及高阶交互项）可能被需要。能否利用研究者熟悉的高阶U统计量和张量网络/einsum复杂度理论，来分析这类更复杂估计量的计算和统计效率？例如，当需要估计异质性处理效应的方差时，可能会涉及到四阶U统计量，其计算复杂度可以通过张量收缩来刻画。扎根点：这是一个开放性的、基于研究者背景的推测，并非论文直接提及。

Maintained by 陈星宇 · Homepage · Source on GitHub